孟祥佳　楊斷利　籍穎　李文志

摘 要： 利用計(jì)算機(jī)視覺技術(shù)，通過圖像處理和模式識(shí)別方法，對(duì)番茄臍腐病的自動(dòng)識(shí)別進(jìn)行研究。首先利用中值濾波法對(duì)病癥圖片進(jìn)行處理，去除噪聲，其次采用Otsu算法對(duì)病斑進(jìn)行分割。通過提取病斑區(qū)域的顏色特征和形狀特征，同時(shí)采用貝葉斯判別方法和支持向量機(jī)方法實(shí)現(xiàn)特征參數(shù)的提取。實(shí)驗(yàn)結(jié)果表明，貝葉斯判別方法對(duì)訓(xùn)練樣本和實(shí)驗(yàn)樣本的判別準(zhǔn)確率分別達(dá)到100%和92%， 高于支持向量機(jī)方法，實(shí)現(xiàn)了番茄臍腐病的準(zhǔn)確識(shí)別。

關(guān)鍵詞： 機(jī)器視覺； 番茄臍腐?。?特征提??； 模式識(shí)別

中圖分類號(hào)： TN911?34； TP391.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）06?0100?03

Abstract： The computer vision technology， image processing and pattern recognition method are used to study the automate identification of the tomato blossom?end rot. The median filtering method is adopted to process the disease image and eliminate the noise. The Otsu algorithm is employed to segment the scab. The Bayesian discriminate method and support vector machine method are used to extract the feature parameters respectively according to the color feature and shape feature extracted in the scab area. The experimental results show that the discriminate accuracy of the former （Bayesian discriminate method） to the training sample and experiment sample can reach up to 100% and 92%， which is higher than that of the latter （support vector machine method）， and can recognize the tomato blossom?end rot accurately.

Keywords： machine vision； tomato blossom?end rot； feature extraction； pattern recognition

0 引 言

臍腐病是番茄栽培中最為嚴(yán)重的生理病害，病果癥狀很難被識(shí)別，如不能及時(shí)采取防治措施，將嚴(yán)重影響良好果實(shí)，損失很大。如果單是依靠人力來鑒別病癥信息，耗費(fèi)人力，時(shí)間長速度慢，并且可能會(huì)出現(xiàn)一定的偏差。機(jī)器視覺和模式識(shí)別技術(shù)在農(nóng)業(yè)領(lǐng)域非常廣泛，尤其是農(nóng)作物病癥的鑒別方面。

目前，國內(nèi)對(duì)于基于機(jī)器視覺番茄臍腐病的研究未見報(bào)道，本文采用計(jì)算機(jī)視覺技術(shù)對(duì)番茄臍腐病圖像進(jìn)行分割、病癥特征提取，結(jié)合支持向量機(jī)和貝葉斯算法，進(jìn)而對(duì)圖像病癥進(jìn)行了初步識(shí)別，擬補(bǔ)人工識(shí)別的不足，提高了識(shí)別的效率和準(zhǔn)確率。該項(xiàng)目成果為進(jìn)一步開發(fā)具有智能化的番茄病害診斷系統(tǒng)提供了一定的理論基礎(chǔ)和先期研究。

1 番茄臍腐病圖像處理

圖像采集的方式主要以手工為主，結(jié)合數(shù)字?jǐn)z像技術(shù)以及網(wǎng)上搜集整理的圖片。

1.1 圖像預(yù)處理

采集的圖片可能會(huì)受到環(huán)境因素影響，因此需要對(duì)圖片進(jìn)行一定的處理，故本研究采用灰度變換、快速中值濾波方法。在獲取的圖像中勢(shì)必會(huì)存在一定的噪聲，如果有噪聲的存在，就會(huì)對(duì)下一步處理圖像有影響，所以首先要去除噪聲。中值濾波在圖像處理中就體現(xiàn)了很好的應(yīng)用價(jià)值。

中值濾波實(shí)現(xiàn)方法如下：

讀取濾波板即滑動(dòng)窗口中對(duì)應(yīng)像素的灰度值，并且對(duì)這些灰度值進(jìn)行排序，這是一種非線性的圖像平滑法。對(duì)噪聲進(jìn)行抑制，對(duì)于窗口中奇數(shù)個(gè)元素，中值去排序后中間元素灰度值，如果是偶數(shù)個(gè)元素，取灰度的平均值。因?yàn)閳D像為二維信號(hào)，中值濾波的尺寸對(duì)濾波器效果影響很大，不同圖像內(nèi)容往往選用不同的尺寸，本研究采用的窗口尺寸為3×3。

如圖1所示，應(yīng)用快速中值濾波的方法對(duì)病癥圖像進(jìn)行處理，圖1（a）是原圖，下面是經(jīng)過去噪和中值濾波處理后的圖片，很好地消除了圖片的噪聲。

1.2 圖像分割

番茄病斑部分分割中[1?2]，主要采用Otsu自適應(yīng)閾值分割法。在實(shí)際應(yīng)用時(shí)，對(duì)算法進(jìn)行優(yōu)化調(diào)整，以提高病斑形狀特征值。同時(shí)將采用直方圖閾值和區(qū)域生長的分割方法進(jìn)行比較。將Otsu方法用到灰度直方圖中，如圖2所示，得出最佳閾值分別是0.5和0.6，實(shí)現(xiàn)病癥的分割。

下面是Otsu閾值分割的過程

（1） 先對(duì)灰度圖進(jìn)行直方圖計(jì)算并歸一化處理，像素在灰度圖中出現(xiàn)了n個(gè)，灰度圖總像素為N，像素的出現(xiàn)概率為[nN]，如圖3所示。

（2） 由閾值將這些灰度圖分為兩大類，得到這兩類在灰度圖中的出現(xiàn)概率和灰度值。

（3） 計(jì)算得到兩灰度圖的類間方差，在最佳閾值處，求得類間方差最大，也就是在類間方差最大時(shí)刻的閾值即最佳閾值。

下面分別是算法不同的分割結(jié)果如圖3所示。

由圖3可以得出使用最大類間方差算法時(shí)分割的效果最好。因此采用此方法進(jìn)行病癥的有效分割。

2 病癥特征提取[3?6]

對(duì)于病癥特征提取、形狀的特征提取有很多方法，如邊界特征法、傅里葉形狀描述符法、幾何參數(shù)法、形狀不變矩陣法等。這里采用幾何參數(shù)法進(jìn)行形狀特征提取。首先把病癥的邊緣信息提取出來，然后利用圓度C、偏心率Se、伸長度E，復(fù)雜性e，球狀性Sn，面積S，周長Z等幾何參數(shù)檢索得到的形狀特征。本研究采用提取顏色特征方法，先提取圖像的Luv各個(gè)分量，結(jié)合Luv坐標(biāo)同時(shí)處理，提取Luv的各個(gè)分量，即可以達(dá)到預(yù)期的效果。表1是通過選取50個(gè)樣本來獲得的顏色和形狀特征的值。把得到的這些特征值作為訓(xùn)練樣本，如表1所示。

3 支持向量機(jī)模式識(shí)別方法

分類問題最簡單的就是在一個(gè)平面上的兩類不同的點(diǎn)將它用一條直線分開。SVM原理與這個(gè)原理相似，但是相對(duì)復(fù)雜，不僅僅是應(yīng)用于平面內(nèi)點(diǎn)的分類問題。SVM的一般做法是：將所有待分類的點(diǎn)映射到“高維空間”，然后在高維空間中找到一個(gè)能將這些點(diǎn)分開的“超平面”。在通常的情況下，滿足條件的“超平面”的個(gè)數(shù)不是惟一的。SVM 需要利用這些超平面，找到這兩類點(diǎn)之間的“最大間隔”。其中很多分類都是線性不可分的，也就局限了樣本空間很難找到一個(gè)最優(yōu)的線性分類函數(shù)，以至支持向量機(jī)的應(yīng)用具有很大的局限性。對(duì)于非線性問題，可通過核函數(shù)把非線性問題轉(zhuǎn)化為高維空間中的線性問題，而后求最優(yōu)分類面，這就是支持向量機(jī)。此時(shí)分類函數(shù)變?yōu)椋?/p>

[f（x）=sgni=1nTiyiK（xi，x）+b*]

式中，[K（xi，x）]為內(nèi)積函數(shù)。

核函數(shù)用來進(jìn)行非線性映射，將線性不可分的低維空間映射到高維空間。

常用的核函數(shù)有：

線性核函數(shù)：

[k（x，y）=x*y] （1）

多項(xiàng)式核函數(shù)：

[k（x，y）=（xy+1）q， q=1，2，…，l] （2）

徑向基核函數(shù)：

[k（x，y）=exp-x-ye2e] （3）

對(duì)處理過的圖像綜合顏色特征（病斑象素點(diǎn)的L，U，V值）和形狀特征（病斑的圓度C、偏心率Se、伸長度E、復(fù)雜性e）進(jìn)行番茄臍腐病的識(shí)別，其結(jié)果如表2所示。表2中學(xué)習(xí)參數(shù)為C=1，a=0.001，多項(xiàng)式核函數(shù)中的q取3，徑向基核函數(shù)中的e2取2。

從表2中可以看出，綜合比較其他幾個(gè)函數(shù)，當(dāng)應(yīng)用線性核函數(shù)的支持向量機(jī)時(shí)對(duì)病斑的識(shí)別率最好，識(shí)別率為81.5%。

本文從實(shí)地以及網(wǎng)絡(luò)上取得100個(gè)臍腐病的樣本集，其中抽取50樣本作為訓(xùn)練集，另外50個(gè)作為測(cè)試集。根據(jù)之前得出的圖像處理分割結(jié)果和特征提取值，再利用貝葉斯判別方法得出的結(jié)果為識(shí)別個(gè)數(shù)46個(gè)，正確率92%。

根據(jù)以上的結(jié)果顯示，基于顏色特征和形狀特征參數(shù)的識(shí)別效果不低于90%，可以很好地對(duì)番茄臍腐病進(jìn)行識(shí)別。結(jié)合支持向量機(jī)方法結(jié)果來看，采用貝葉斯識(shí)別技術(shù)的識(shí)別率高于基于形狀和顏色特征的支持向量機(jī)識(shí)別。

5 結(jié) 論

本研究通過圖像處理技術(shù)以及貝葉斯識(shí)別技術(shù)和支持向量機(jī)模式識(shí)別方法來研究番茄的臍腐病特征，結(jié)論如下：利用中值濾波方法對(duì)病癥進(jìn)行預(yù)處理，可以很好地去除圖片的噪聲；采用Otsu改進(jìn)的方法對(duì)圖片進(jìn)行分割，準(zhǔn)確地把病斑從圖片中分割出來；利用貝葉斯識(shí)別提取病斑區(qū)域的顏色和形狀特征，結(jié)合這13個(gè)特征建立一個(gè)特征庫，再用測(cè)試的樣本進(jìn)行匹配；獲得了較高的正確識(shí)別率，同時(shí)采用支持向量機(jī)的方法識(shí)別率明顯低于貝葉斯方法。

注：本文通訊作者為籍穎。

參考文獻(xiàn)

[1] 景曉軍，蔡安妮，孫景鰲.一種基于二維最大類間方差的圖像分割算法[J].通信學(xué)報(bào)，2001，22（4）：72?76.

[2] 吳成茂，田小平，譚鐵牛.二維Otsu閾值法的快速迭代算法[J].模式識(shí)別與人工智能，2008，21（6）：747?756.

[3] 李寒，王庫，曹倩，等.基于機(jī)器視覺的番茄多目標(biāo)提取和匹配[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（5）：168?172.

[4] 毛罕平，徐貴力，李萍萍.番茄缺素葉片的圖像特征提取和優(yōu)化選擇研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2003，19（2）：133?136.

[5] 呂宏明.基于機(jī)器視覺的番茄圖像匹配算法研究[D].南京：南京農(nóng)業(yè)大學(xué)，2008.

[6] 陳樹人，戈志勇，王新忠.基于Matlab的番茄采摘機(jī)械手運(yùn)動(dòng)學(xué)仿真研究[C]//農(nóng)業(yè)機(jī)械化與新農(nóng)村建設(shè)—中國農(nóng)業(yè)機(jī)械學(xué)會(huì)2006年學(xué)術(shù)年會(huì)論文集（上冊(cè)）.鎮(zhèn)江：中國農(nóng)業(yè)機(jī)械學(xué)會(huì)，2006：460?463.

[7] 周顏軍，王雙成，王輝.基于貝葉斯網(wǎng)絡(luò)的分類器研究[J].東北師大學(xué)報(bào)（自然科學(xué)版），2003，35（2）：22?27.

[8] 賴軍臣，湯秀娟，謝瑞芝.基于G?MRF模型的玉米葉斑病害圖像的分割[J].中國農(nóng)業(yè)科學(xué)，2010，43（7）：1363?1369.

[9] BOISSARDA P， MARTIN V， MOISAN S. A cognitive vision approach to early pest detection in greenhouse crops [J]. Computers and electronics in agriculture， 2008， 62（2）： 81?93.

[10] 柴阿麗，李寶聚，石延霞，等.基于計(jì)算機(jī)視覺技術(shù)的番茄葉部病害識(shí)別[J].園藝學(xué)報(bào)，2010，37（9）：1423?1430.

[11] 王克如.基于圖像識(shí)別的作物病蟲草害診斷研究[D].北京：中國農(nóng)業(yè)科學(xué)院，2005.